机器学习有四种公认的形式：有监督，无监督，半监督和增强。在研究文献中，已经对这些形式进行了充分的讨论。它们也包含在大多数机器学习算法入门课程中。下表总结了这四种形式。但是机器学习策略是一个尚未广为人知的概念，也就是说，以创造性的方式使用基本的机器学习算法来解决现实世界中的问题。我对这些策略非常感兴趣。在本文中，我将探讨四种策略：在线学习，迁移学习，集成学习和深度学习。幸运的是，这四种策略适用于表中的任何形式的机器学习。 1.在线学习在线学习使用快速变化的数据。此类模型会随数据及时更新，并且不会存储先前的数据。一些在线学习算法也“适应”，即，随时调整模型以跟踪或跟踪数据的变化。具体而言，他们将逐渐“忘记”消息。过时的数据，使其适合于随时更改环境/模型的应用程序。批量（或离线）学习使用静态数据，可以作为在线学习的热身。在批处理学习中，该模型可以一次完成所有数据学习。许多在线学习算法使用批处理/脱机算法（基于少量数据）在开始之前对模型进行预热。这种方法可以大大加快算法的收敛速度。 2.转移学习转移学习将一个领域的知识应用于另一领域。它使用旧数据，模型和参数来解决新问题，这对于终身学习机器学习模型至关重要。迁移学习是人们的天生能力。例如，我们会将已经掌握的语言知识（词汇，语法等）用于学习新语言。两种语言越接近，知识转移就越容易。 3.综合学习单一学习者模型仅使用一个学习者（算法），而综合学习使用多个学习者。通用集成算法包括梯度提升，引导聚合，决策林，堆栈集成和超级学习器。集成学习可以与相对较弱的学习者（在许多情况下，预测准确度仅比随机猜测略高）结合使用，以生成功能强大且准确的模型。第四，深度学习深度学习包含多个层次，可以学习数据的分层或多尺度特征。相反的是“浅层学习”，即简单地使用普通的机器学习建模算法。通常，浅层学习与特征工程是分不开的，以确保以适当的形式将输入呈现给模型，而深度学习自然会在训练过程中学习这些特征。当使用机器学习算法解决日常业务问题时，机器学习策略是我们需要考虑的另一个方面。